# 介紹 在數學中，卷積是應用于另一個函數的輸出的函數。在我們的例子中，我們將考慮在圖像上應用矩陣乘法（濾波器）。出于我們的目的，我們將圖像視為數字矩陣。這些數字可以表示像素或甚至圖像屬性。我們將應用于這些矩陣的卷積運算包括在圖像上移動固定寬度的濾波器并應用逐元素乘法來得到我們的結果。 有關圖像卷積如何工作的概念性理解，請參見下圖：  圖 1：如何在圖像上應用卷積濾鏡（長度與寬度之間的深度），以創建新的特征層。這里，我們有一個`2x2`卷積濾波器，在`5x5`輸入的有效空間中操作，兩個方向的步幅為 1。結果是`4x4`矩陣 CNN 還具有滿足更多要求的其他操作，例如引入非線性（ReLU）或聚合參數（max P \ pool）以及其他類似操作。上圖是在`5x5`數組上應用卷積運算的示例，其中卷積濾波器是`2x2`矩陣。步長為 1，我們只考慮有效的展示位置。此操作中的可訓練變量將是`2x2`濾波器權重。在卷積之后，通常會跟進聚合操作，例如 max pool。如果我們在兩個方向上采用步幅為 2 的`2x2`區域的最大值，下圖提供了最大池如何操作的示例：  圖 2：Max Pool 操作如何運行的示例。這里，我們有一個`2x2`窗口，在`4x4`輸入的有效空間上操作，兩個方向的步幅為 2。結果是`2x2`矩陣 雖然我們將首先創建自己的 CNN 進行圖像識別，但強烈建議您使用現有的體系結構，我們將在本章的其余部分中進行操作。 > 通常采用預先訓練好的網絡并使用新數據集對其進行重新訓練，并在最后使用新的完全連接層。這種方法非常有用，我們將在重新訓練現有的 CNN 模型秘籍中進行說明，我們將重新訓練現有的體系結構以改進我們的 CIFAR-10 預測。